[發(fā)明專利]一種行人重識別方法、裝置、介質(zhì)和移動機(jī)器人

在審

• 申請?zhí)枺?/td>: 202110246506.0
• 申請日: 2021-03-05
• 公開（公告）號: CN112861780A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 秦豪;趙明
• 申請（專利權(quán)）人: 上海有個(gè)機(jī)器人有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京天盾知識產(chǎn)權(quán)代理有限公司 11421
• 代理人: 梁秀秀

本發(fā)明公開了一種行人重識別方法、裝置、介質(zhì)和移動機(jī)器人，方法包括：構(gòu)建行人重識別網(wǎng)絡(luò)模型；通過第一訓(xùn)練集對行人重識別網(wǎng)絡(luò)模型的骨干網(wǎng)絡(luò)和檢測頭模塊進(jìn)行訓(xùn)練；固定優(yōu)化后骨干網(wǎng)絡(luò)和檢測頭模塊的網(wǎng)絡(luò)參數(shù)，并通過第二訓(xùn)練集對行人重識別網(wǎng)絡(luò)模型的感興趣池化模塊和行人特征提取模塊進(jìn)行訓(xùn)練；采集實(shí)時(shí)行人圖片，并基于訓(xùn)練完成的行人重識別網(wǎng)絡(luò)模型對目標(biāo)行人進(jìn)行檢測。本發(fā)明將行人識別網(wǎng)絡(luò)、行人特征提取網(wǎng)絡(luò)和行人特征對比模塊整合到一個(gè)深度神經(jīng)網(wǎng)絡(luò)中，并將運(yùn)算都移植到圖形處理器，從而去除了不必要的數(shù)據(jù)拷貝過程，減少了CPU資源的占用率，加快了目標(biāo)行人的識別速度，保障了網(wǎng)絡(luò)有穩(wěn)定的耗時(shí)，在實(shí)際業(yè)務(wù)環(huán)境中更容易落地。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器人領(lǐng)域，尤其涉及一種行人重識別方法、裝置、介質(zhì)和移動機(jī)器人。

背景技術(shù)

隨著機(jī)器人行業(yè)的快速發(fā)展，各種服務(wù)機(jī)器人層出不窮，機(jī)器人在我們的生活、工作中也應(yīng)用得越來越廣泛。在酒店、銀行等服務(wù)行業(yè)的樓宇中，迎賓機(jī)器人可以協(xié)助實(shí)現(xiàn)賓客身份登記、協(xié)助賓客存放隨身背包等物品，并跟隨賓客直到服務(wù)結(jié)束。而在實(shí)際場景下，尤其是在人流量大、人與人相互穿行等場景，機(jī)器人容易錯(cuò)認(rèn)目標(biāo)賓客或者在目標(biāo)賓客轉(zhuǎn)彎時(shí)錯(cuò)失目標(biāo)賓客等。機(jī)器人實(shí)現(xiàn)賓客跟隨的首要前提是對行人重識別，行人重識別是一種判斷圖像中是否存在特定人，即目標(biāo)賓客的技術(shù)，通過該技術(shù)實(shí)現(xiàn)對特定人的追隨功能?，F(xiàn)有技術(shù)的行人重識別方法包含多個(gè)步驟，即行人識別、行人特征提取和行人特征比對，其中行人識別和行人特征提取都是基于不同功能的深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。在實(shí)際運(yùn)用過程中，多步驟的行人重識別方案計(jì)算量大，且需要進(jìn)行多次的數(shù)據(jù)拷貝，因此網(wǎng)絡(luò)計(jì)算執(zhí)行效率低，影響了機(jī)器人在各種復(fù)雜環(huán)境下的跟隨效果。

發(fā)明內(nèi)容

本發(fā)明提供了一種行人重識別方法、裝置、介質(zhì)和移動機(jī)器人，解決了現(xiàn)有行人重識別方法效率低，時(shí)延過長的技術(shù)問題。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種行人重識別方法，包括以下步驟：

步驟1，構(gòu)建行人重識別網(wǎng)絡(luò)模型，并將所述行人重識別網(wǎng)絡(luò)模型設(shè)置到圖形處理器中；所述行人重識別網(wǎng)絡(luò)模型包括依次連接的骨干網(wǎng)絡(luò)、檢測頭模塊、感興趣池化模塊、行人特征提取模塊和行人特征比對模塊；

步驟2，獲取第一訓(xùn)練集，并通過所述第一訓(xùn)練集對所述骨干網(wǎng)絡(luò)和所述檢測頭模塊進(jìn)行訓(xùn)練，優(yōu)化所述骨干網(wǎng)絡(luò)和所述檢測頭模塊的網(wǎng)絡(luò)參數(shù)；

步驟3，固定優(yōu)化后所述骨干網(wǎng)絡(luò)和所述檢測頭模塊的網(wǎng)絡(luò)參數(shù)，并獲取第二訓(xùn)練集，通過所述第二訓(xùn)練集對所述感興趣池化模塊和所述行人特征提取模塊進(jìn)行訓(xùn)練，優(yōu)化所述感興趣池化模塊和所述行人特征提取模塊的網(wǎng)絡(luò)參數(shù)；

步驟4，采集實(shí)時(shí)行人圖片，并基于訓(xùn)練完成的所述行人重識別網(wǎng)絡(luò)模型對所述實(shí)時(shí)行人圖片中的目標(biāo)行人進(jìn)行檢測。

在一個(gè)優(yōu)選實(shí)施方式中，所述骨干網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)按計(jì)算單元處理順序?yàn)椋?/p>

第一卷積塊，卷積層為30通道，3x3卷積核，步長為2，連接BN層處理，再連接一個(gè)LeakyReLU層輸出；

第二卷積塊，卷積層為61通道，3x3卷積核，步長為2，連接BN層處理，再連接一個(gè)LeakyReLU層輸出；

第一卷積塊組，包括依次連接的第三卷積塊、第四卷積塊和第五卷積塊，所述第三卷積塊的卷積層為109通道，3x3卷積核，步長為2；所述第四卷積塊的卷積層為64通道，1x1卷積核，步長為2；所述第五卷積塊的卷積層為106通道，3x3卷積核，步長為1；

第二卷積塊組，包括依次連接的第六卷積塊、第七卷積塊和第八卷積塊，所述第六卷積塊的卷積層為129通道，3x3卷積核，步長為2；所述第七卷積塊的卷積層為128通道，1x1卷積核，步長為1；所述第八卷積塊的卷積層為181通道，3x3卷積核，步長為1；